如何检测 LLM 生成的文本？对比主流方法

主流 LLM 文本检测分三类：分类器（基于统计特征训练二分类模型，准确率 95%+）、水印检测（检测嵌入的统计信号，准确率 99%+）和 LLM 判断（用另一个 LLM 判断，准确率 90%+）。单一方法都有局限，最佳实践是多方法组合并持续更新。

一、分类器方法

核心思路：LLM 生成的文本在统计特征上与人类写作存在系统性差异。特征工程包括：Token 级别（平均 token 长度、token 熵）、词汇级别（词汇丰富度 TTR、高频词分布）、句法级别（平均句长、从句密度）和语义级别（句间连贯性）。2026 年 7 月 lyc8503 的技术博客展示了使用逻辑回归和 SVM 在中等规模特征集上达到 95%+ 准确率。优势是训练成本低、可解释性强；局限是对改写攻击敏感。

二、水印方法

在 LLM 生成时嵌入统计信号：每次生成 token 时，使用密钥将词汇表分为绿名单和红名单，对绿名单词汇增加 logit 偏置。人类读者无法察觉差异，但检测器通过 Z-test 判断绿名单词汇比例是否异常高。优势是准确率极高（99%+，有水印时）；局限是需要模型配合嵌入水印，对未嵌入水印的模型无效。

三、LLM 判断方法

使用另一个 LLM 判断文本是否由 AI 生成。GPTZero、Originality.ai 等产品采用此方案。优势是无需训练数据、可跨模型；局限是可对抗性高（改写、同义词替换可绕过），准确率约 90%。实际部署中需要结合元数据分析（发布时间、账号行为、编辑历史）和平台标记（如 AI 生成内容标签）进行综合判断，单一方法的误报率较高。实际部署中需要结合元数据分析（发布时间、账号行为、编辑历史）和平台标记（如 AI 生成内容标签）进行综合判断，单一方法的误报率较高。

四、对抗与防御

攻击者可通过改写（用另一个 LLM 改写）、同义词替换、混合策略（人机交替写作）和去水印工具绕过检测。防御对策：多方法组合（三重验证）、持续更新检测模型、对抗训练（训练数据加入改写样本）、水印鲁棒性设计。

五、工程实践建议

学术诚信场景：水印 + 分类器组合，要求受控环境写作。内容审核场景：对高风险内容提高检测阈值，结合元数据分析。品牌保护场景：定制检测模型，与平台合作标记。关键原则：检测结果作为辅助证据，不作为唯一判定标准——当前最好的检测器也有 5-10% 误报率。